Ukuran Sampel Abaikan Ditetapkan

Apa itu Ukuran Sampel Diabaikan?

Ukuran Sampel Abaikan adalah bias kognitif terkenal dipelajari oleh Amos Tversky dan Daniel Kahneman. Ini terjadi ketika pengguna informasi statistik membuat kesimpulan yang salah dengan gagal mempertimbangkan: ukuran sampel dari data yang bersangkutan.

Penyebab utama dari Pengabaian Ukuran Sampel adalah bahwa orang sering gagal untuk memahami bahwa tingkat tinggi perbedaan lebih mungkin terjadi pada sampel kecil. Oleh karena itu, sangat penting untuk menentukan apakah ukuran sampel yang digunakan untuk menghasilkan statistik yang diberikan cukup besar untuk memungkinkan kesimpulan yang berarti.

Mengetahui kapan ukuran sampel cukup besar dapat menjadi tantangan bagi mereka yang tidak memiliki pemahaman yang baik tentang metode statistik.

Memahami Pengabaian Ukuran Sampel

Ketika ukuran sampel terlalu kecil, kesimpulan yang akurat dan dapat dipercaya tidak dapat ditarik. Dalam konteks keuangan, hal ini dapat menyesatkan investor dengan berbagai cara.

Misalnya, seorang investor mungkin melihat iklan untuk dana investasi baru, membanggakan telah menghasilkan 15% pengembalian tahunan sejak awal. Investor mungkin dengan cepat memasukkan bahwa dana ini adalah tiket mereka untuk menghasilkan kekayaan yang cepat. Namun, kesimpulan ini bisa menjadi salah arah yang berbahaya jika dana tersebut tidak diinvestasikan untuk waktu yang lama. Dalam hal ini, hasilnya dapat disebabkan oleh anomali jangka pendek dan tidak ada hubungannya dengan metodologi investasi aktual dana tersebut.

Ukuran Sampel Abaikan sering dikacaukan dengan Pengabaian Tarif Dasar, yang merupakan bias kognitif yang terpisah. Sedangkan Pengabaian Ukuran Sampel mengacu pada kegagalan untuk mempertimbangkan peran ukuran sampel dalam menentukan keandalan statistik Klaim, Base Rate Neglect berkaitan dengan kecenderungan orang untuk mengabaikan pengetahuan yang ada tentang suatu fenomena ketika mengevaluasi yang baru informasi.

Contoh Dunia Nyata dari Pengabaian Ukuran Sampel

Untuk lebih memahami Pengabaian Ukuran Sampel, perhatikan contoh berikut, yang diambil dari penelitian oleh Amos Tversky dan Daniel Kahneman:

Seseorang diminta untuk mengambil dari sampel lima bola, dan menemukan bahwa empat berwarna merah dan satu berwarna hijau.

Seseorang mengambil dari sampel 20 bola, dan menemukan bahwa 12 berwarna merah dan delapan berwarna hijau.

Sampel mana yang memberikan bukti yang lebih baik bahwa sebagian besar bola berwarna merah?

Kebanyakan orang mengatakan bahwa sampel pertama yang lebih kecil memberikan bukti yang jauh lebih kuat karena rasio merah dan hijau jauh lebih tinggi daripada sampel yang lebih besar. Namun, pada kenyataannya rasio yang lebih tinggi sebanding dengan ukuran sampel yang lebih kecil. Sampel 20 sebenarnya memberikan bukti yang jauh lebih kuat.

Contoh lain dari Amos Tversky dan Daniel Kahneman adalah sebagai berikut:

Sebuah kota dilayani oleh dua rumah sakit. Di rumah sakit yang lebih besar, rata-rata 45 bayi lahir setiap hari, dan di rumah sakit yang lebih kecil sekitar 15 bayi lahir setiap hari. Meskipun 50% dari semua bayi adalah laki-laki, persentase pastinya berfluktuasi dari hari ke hari.

Selama satu tahun, setiap rumah sakit mencatat hari-hari di mana lebih dari 60% bayi laki-laki. Rumah sakit mana yang mencatat lebih banyak hari seperti itu?

Ketika ditanya pertanyaan ini, 22% responden mengatakan bahwa rumah sakit yang lebih besar akan melaporkan lebih banyak hari seperti itu, sementara 56% mengatakan bahwa hasilnya akan sama untuk kedua rumah sakit. Sebenarnya, jawaban yang benar adalah bahwa rumah sakit yang lebih kecil akan mencatat lebih banyak hari seperti itu, karena ukurannya yang lebih kecil akan menghasilkan variabilitas yang lebih besar.

Seperti yang kami catat sebelumnya, akar dari Pengabaian Ukuran Sampel adalah bahwa orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi pada sampel kecil. Dalam berinvestasi, ini memang bisa sangat mahal.